SCKansformer: Fine-Grained Classification of Bone Marrow Cells via Kansformer Backbone and Hierarchical Attention Mechanisms

该文指出，恶性肿瘤如急性白血病的发病率和死亡率显著上升。医院临床上依赖于外周血和骨髓涂片的细胞学检查来诊断恶性肿瘤，而准确的血细胞计数至关重要。现有的自动化方法在处理高维微观图像数据时面临着低特征表达能力、解释性差和冗余特征提取等挑战。作者提出了一种新的针对骨髓血细胞的细粒度分类模型SCKansformer，解决了这些挑战，提高了分类的准确性和效率。该模型集成了Kansformer编码器、SCConv编码器和全局-局部注意力编码器。Kansformer编码器用KAN替代传统的MLP层，提高了非线性特征表达和可解释性。SCConv编码器通过其空间和通道重构单元增强了特征表达并减少了冗余。全局-局部注意力编码器将多头自注意力与局部部分模块相结合，捕捉全局和局部特征。作者使用了包含超过10,000个样本和近40个分类的骨髓血细胞细粒度分类数据集（BMCD-FGCD）进行了验证，并与合作医院开发的私有数据集以及公开可用的PBC和ALL-IDB数据集进行了比较实验，结果表明SCKansformer在所有数据集上均优于传统和先进的微细胞分类方法。作者提供了源代码和私有BMCD-FGCD数据集，可在https://github.com/JustlfC03/SCKansformer上获取。

本论文旨在解决恶性肿瘤诊断中血细胞计数的准确性问题，提出了一种新的骨髓血细胞细粒度分类模型SCKansformer。

SCKansformer模型通过整合Kansformer Encoder、SCConv Encoder和Global-Local Attention Encoder三个编码器，提高了非线性特征表达能力和可解释性，减少了冗余特征提取，同时结合多头自注意力和局部部分模块，捕捉了全局和局部特征。

论文使用了骨髓血细胞细粒度分类数据集BMCD-FGCD，并在私有数据集和公共数据集上进行了实验验证。实验结果表明，SCKansformer模型在所有数据集上均优于传统和先进的微细胞分类方法。论文提供了开源代码和私有数据集。

最近在这个领域中，还有一些相关研究，例如《A Novel Deep Learning-Based Method for Classification of Acute Leukemia Hematopoietic Cells》和《Automated bone marrow cell classification with deep residual networks and random forests》。